[發(fā)明專利]基于果蠅優(yōu)化算法優(yōu)化最小二乘支持向量機(jī)的海雜波最優(yōu)軟測量儀表及方法

在審

• 申請?zhí)枺?/td>: 201711117119.7
• 申請日: 2017-11-13
• 公開（公告）號: CN107942304A
• 公開（公告）日: 2018-04-20
• 發(fā)明（設(shè)計(jì)）人: 劉興高;王文川;王志誠;張澤銀;余渝生;張?zhí)戽I
• 申請（專利權(quán)）人: 浙江大學(xué)
• 主分類號: G01S7/36
• 分類號: G01S7/36;G01S7/41
• 代理公司: 杭州求是專利事務(wù)所有限公司33200
• 代理人: 邱啟旺

1.一種基于果蠅優(yōu)化算法優(yōu)化最小二乘支持向量機(jī)的海雜波最優(yōu)軟測量儀表，所述的最優(yōu)軟測量儀表，包括雷達(dá)、用于測量易測變量的現(xiàn)場智能儀表、用于測量操作變量的控制站、存放數(shù)據(jù)的現(xiàn)場數(shù)據(jù)庫以及海雜波軟測量值顯示儀；所述現(xiàn)場智能儀表、控制站與雷達(dá)連接，所述現(xiàn)場智能儀表、控制站與現(xiàn)場數(shù)據(jù)庫連接，其特征在于：所述軟測量儀表還包括基于果蠅優(yōu)化算法優(yōu)化最小二乘支持向量機(jī)的最優(yōu)軟測量上位機(jī)，所述現(xiàn)場數(shù)據(jù)庫與所述基于果蠅優(yōu)化算法優(yōu)化最小二乘支持向量機(jī)的最優(yōu)軟測量上位機(jī)的輸入端連接，所述基于果蠅優(yōu)化算法優(yōu)化最小二乘支持向量機(jī)的最優(yōu)軟測量上位機(jī)的輸出端與海雜波軟測量值顯示儀連接；所述基于果蠅優(yōu)化算法優(yōu)化最小二乘支持向量機(jī)的最優(yōu)軟測量上位機(jī)包括：

數(shù)據(jù)預(yù)處理模塊，用于將從現(xiàn)場數(shù)據(jù)庫輸入的模型訓(xùn)練樣本進(jìn)行預(yù)處理，對訓(xùn)練樣本中心化，即減去樣本的平均值，然后對其進(jìn)行標(biāo)準(zhǔn)化：

計(jì)算均值：

計(jì)算方差：

標(biāo)準(zhǔn)化：

其中，TX為訓(xùn)練樣本，N為訓(xùn)練樣本數(shù)，為訓(xùn)練樣本的均值，X為標(biāo)準(zhǔn)化后的訓(xùn)練樣本，σ_x為計(jì)算方差。

最小二乘支持向量機(jī)模塊，采用最小二乘支持向量機(jī)進(jìn)行建模。設(shè)模型第i個標(biāo)準(zhǔn)化后的訓(xùn)練樣本X_i的目標(biāo)輸出為O_i，最小二乘支持向量機(jī)通過變換把擬合問題等價于如下二次規(guī)劃問題：

min R(w,ξ)=12wTw+12γΣi=1Nωiξi2---(4)]]>

其中，R(w,ξ)是優(yōu)化問題的目標(biāo)函數(shù)，是非線性映射函數(shù)，N是訓(xùn)練樣本數(shù)，ξ＝{ξ₁,…,ξ_N}是松弛變量，w是最小二乘支持向量機(jī)超平面的法向量，b是相應(yīng)的偏移量，而ω_i,i＝1,…,N和γ分別是最小二乘支持向量機(jī)的權(quán)重和懲罰因子，其中是松弛變量ξ_i標(biāo)準(zhǔn)差的估計(jì)，常量c₁,c2通常取為c₁＝2.5，c₂＝3，由此可得第i個標(biāo)準(zhǔn)化后的訓(xùn)練樣本X_i的輸出為：

y^i=Σm=1Nαm×K<Xm,Xi>+b---(7)]]>

其中，K<·>是最小二乘支持向量機(jī)的核函數(shù)，這里K<·>取線性核函數(shù)；α_m，m＝1,…,N是對應(yīng)的拉格朗日乘子。

果蠅優(yōu)化算法模塊，用于采用果蠅優(yōu)化算法對最小二乘支持向量機(jī)的懲罰因子和誤差容限值進(jìn)行優(yōu)化，具體步驟如下：

①確定果蠅優(yōu)化算法的優(yōu)化參數(shù)為最小二乘支持向量機(jī)模塊的懲罰因子和誤差容限值、粒子群個體數(shù)目popsize、最大循環(huán)尋優(yōu)次數(shù)iter_max、第p個粒子的初始位置區(qū)域X_axis,Y_axis。

②設(shè)定優(yōu)化目標(biāo)函數(shù)，將其轉(zhuǎn)換為適應(yīng)度，通過相應(yīng)的誤差函數(shù)計(jì)算適應(yīng)度函數(shù)，并認(rèn)為誤差大的粒子適應(yīng)度小，粒子p的適應(yīng)度函數(shù)f表示為：

f_p＝1/(E_p+1)(8)

式中，E_p是最小二乘支持向量機(jī)模型的誤差函數(shù)，表示為：

Ep=1NΣi=1N(y^i-Oi)2---(9)]]>

式中，是最小二乘支持向量機(jī)模型的預(yù)測輸出，O_i為最小二乘支持向量機(jī)模型的目標(biāo)輸出；N為訓(xùn)練樣本數(shù)；

③按照如下公式，粒子進(jìn)行搜索，

Xi=X_axis+Random valueYi=Y_axis+Random value---(10)]]>

式中，RandomValue為搜索距離；

④對于粒子p，預(yù)先估計(jì)與原點(diǎn)的距離Dist，再計(jì)算味道濃度判定值S，該值為距離倒數(shù)：

Dist_i＝(X_i²+Y_i²)^1/2(11)

S_i＝1/Dist_i(12)

⑤將味道濃度判定值S_i代人味道濃度判定函數(shù)(或稱為適應(yīng)度函數(shù)fitness function)，用來求出果蠅個體位置的味道濃度Smell_i:

[bestSmell bestIndex]＝min(Smell)(13)

⑥找到果蠅群體中味道濃度最優(yōu)的個體，這里取最小值：

[bestSmell bestIndex]＝min(Smell)(14)

⑦記錄最優(yōu)個體位置及味道濃度值，此時所有果蠅個體利用視覺將向這個位置飛去：

Smellbest=bestSmellX_axis=X(bestIndex)Y_axis=Y(bestIndex)---(15)]]>

⑧判斷是否滿足性能要求，若是，結(jié)束尋優(yōu)，得到一組優(yōu)化的最小二乘支持向量機(jī)的參數(shù)；否則返回步驟③，繼續(xù)迭代尋優(yōu)，直至達(dá)到最大迭代次數(shù)iter_max。

⑨模型更新模塊，用于模型的在線更新，定期將離線化驗(yàn)數(shù)據(jù)輸入到訓(xùn)練集中，更新最小二乘支持向量機(jī)模型。

2.一種如權(quán)利要求1所述的基于果蠅優(yōu)化算法優(yōu)化最小二乘支持向量機(jī)的海雜波最優(yōu)軟測量儀表實(shí)現(xiàn)的軟測量方法，其特征在于：所述軟測量方法包括以下步驟：

1)、對雷達(dá)對象，根據(jù)特性分析和氣候分析，選擇操作變量和易測變量作為模型的輸入，操作變量和易測變量由現(xiàn)場數(shù)據(jù)庫獲得；

2)、將從現(xiàn)場數(shù)據(jù)庫輸入的模型訓(xùn)練樣本進(jìn)行預(yù)處理，對訓(xùn)練樣本中心化，即減去樣本的平均值，然后對其進(jìn)行標(biāo)準(zhǔn)化，使得其均值為0，方差為1。該處理采用以下算式過程來完成：

2.1)計(jì)算均值：

2.2)計(jì)算方差：

2.3)標(biāo)準(zhǔn)化：

其中，TX為訓(xùn)練樣本，N為訓(xùn)練樣本數(shù)，為訓(xùn)練樣本的均值，X為標(biāo)準(zhǔn)化后的訓(xùn)練樣本，σ_x為計(jì)算方差。

3)對從數(shù)據(jù)預(yù)處理模塊傳過來的訓(xùn)練樣本，采用最小二乘支持向量機(jī)進(jìn)行建模。設(shè)第i個標(biāo)準(zhǔn)化后的訓(xùn)練樣本X_i的目標(biāo)輸出為O_i，最小二乘支持向量機(jī)通過變換把建模問題等價于如下二次規(guī)劃問題：

min R(w,ξ)=12wTw+12γΣi=1Nωiξi2---(4)]]>

其中，R(w,ξ)是優(yōu)化問題的目標(biāo)函數(shù)，是非線性映射函數(shù)，N是訓(xùn)練樣本數(shù)，ξ＝{ξ₁,…,ξ_N}是松弛變量，w是最小二乘支持向量機(jī)超平面的法向量，b是相應(yīng)的偏移量，而ω_i,i＝1,…,N和γ分別是最小二乘支持向量機(jī)的權(quán)重和懲罰因子，其中是松弛變量ξ_i標(biāo)準(zhǔn)差的估計(jì)，常量c₁,c₂通常取為c₁＝2.5，c₂＝3，由此可得標(biāo)準(zhǔn)化后的訓(xùn)練樣本X_i的輸出為：

y^i=Σm=1Nαm×K<Xm,Xi>+b---(7)]]>

其中，K<·>是最小二乘支持向量機(jī)的核函數(shù)，這里K<·>取線性核函數(shù)；α_m，m＝1,…,N是對應(yīng)的拉格朗日乘子。

4)、采用果蠅優(yōu)化算法對最小二乘支持向量機(jī)的懲罰因子和誤差容限值進(jìn)行優(yōu)化，具體步驟如下：

①確定果蠅優(yōu)化算法的優(yōu)化參數(shù)為最小二乘支持向量機(jī)模塊的懲罰因子和誤差容限值、粒子群個體數(shù)目popsize、最大循環(huán)尋優(yōu)次數(shù)iter_max、第p個粒子的初始位置區(qū)域X_axis,Y_axis。

②設(shè)定優(yōu)化目標(biāo)函數(shù)，將其轉(zhuǎn)換為適應(yīng)度，通過相應(yīng)的誤差函數(shù)計(jì)算適應(yīng)度函數(shù)，并認(rèn)為誤差大的粒子適應(yīng)度小，粒子p的適應(yīng)度函數(shù)f表示為：

f_p＝1/(E_p+1)(8)

式中，E_p是最小二乘支持向量機(jī)模型的誤差函數(shù)，表示為：

Ep=1NΣi=1N(y^i-Oi)2---(9)]]>

式中，是最小二乘支持向量機(jī)模型的預(yù)測輸出，O_i為最小二乘支持向量機(jī)模型的目標(biāo)輸出；N為訓(xùn)練樣本數(shù)；

③按照如下公式，粒子進(jìn)行搜索，

Xi=X_axis+Random valueYi=Y_axis+Random value---(10)]]>

式中，RandomValue為搜索距離；

④對于粒子p，預(yù)先估計(jì)與原點(diǎn)的距離Dist，再計(jì)算味道濃度判定值S，該值為距離倒數(shù)：

Dist_i＝(X_i²+Y_i²)^1/2(11)

S_i＝1/Dist_i(12)

⑤將味道濃度判定值S_i代人味道濃度判定函數(shù)(或稱為適應(yīng)度函數(shù)fitness function)，用來求出果蠅個體位置的味道濃度Smell_i:

[bestSmell bestIndex]＝min(Smell)(13)

⑥找到果蠅群體中味道濃度最優(yōu)的個體，這里取最小值：

[bestSmell bestIndex]＝min(Smell)(14)

⑦記錄最優(yōu)個體位置及味道濃度值，此時所有果蠅個體利用視覺將向這個位置飛去：

Smellbest=bestSmellX_axis=X(bestIndex)Y_axis=Y(bestIndex)---(15)]]>

⑧判斷是否滿足性能要求，若是，結(jié)束尋優(yōu)，得到一組優(yōu)化的最小二乘支持向量機(jī)的參數(shù)；否則返回步驟③，繼續(xù)迭代尋優(yōu)，直至達(dá)到最大迭代次數(shù)iter_max。

5)、定期將離線化驗(yàn)數(shù)據(jù)輸入到訓(xùn)練集中，更新最小二乘支持向量機(jī)模型。